2019年Philip S. Yu团队的图神经网络综述

使用graph来表示对象之间的复杂关系和依赖关系，然而graph数据的复杂已有的机器学习算法很难处理，所以使用深度学习方法来处理。A Comprehensive Survey on Graph Neural Networks论文回顾图神经网络（GNN）在文本挖掘和机器学习领域的发展，将GNN划分为递归图神经网络、卷积图神经网络、图自编码和时空图神经网络四类。此外还讨论图神经网络跨各种领域的应用、总结开源代码、数据集和图神经网络评价指标。最后给出可能的研究方向。

作者提到基于欧氏距离计算的数据能捕获隐含模式，然而随着应用数量的增加，开始使用graph表示数据，例如，它可以利用用户和商品之间的交互来提高推荐准确率；将化学分子建成graph，生物活性在药物发现中得到鉴定；在引言网络中，通过引用关系建立文章之间的联系，将他们分成不同的类别。然而graph与图像不同，节点无序、尺寸不一、邻居节点数量变化，这增加了graph的计算难度。此外ML算法是基于样本独立性假设的，与graph的构建机理矛盾。

♕发展历史

1、递归图神经网络（RecGNNs） 1997年起，以迭代的方式并通过传递邻居节点信息来学习目标节点表示，直到稳定点。此类方法计算复杂度高，一些研究者研究如何降低复杂度。如，“Gated graphsequence neural networks，ICLR2015”，“Learning steadystates of iterative algorithms over graphs，ICML2018”.

2、卷积图神经网络（ConvGNNs）分为基于谱方法（最早2013）和基于空间方法（最早2009）

3、图自编码（GAEs)

4、时空图神经网络（STGNNs）

♕图嵌入 vs. 网络嵌入

主要区别：GNN是一组神经网络模型来处理不同任务，网络嵌入涵盖了针对同一任务的各种方法。通过图自编码器框架GNNs能够处理网络嵌入问题。
graph embedding :以端到端的方式处理图关系任务，抽取高阶表示

network embedding: 低维向量表示网络节点，同时保持网络拓扑结构和节点内容信息。因此，任何后续的图形分析任务，如分类、聚类和推荐，都可以使用简单的现成的机器学习算法轻松地执行。网络嵌入还包含非深度学习方法，如矩阵分解和随机游走。

♕图神经网络 vs. 图内核方法

图内核：是解决图分类问题主要技术。使用核函数度量图对之间的相似度，如svm。通过映射函数将图和节点映射到向量空间。采用两两对相似度计算，计算复杂度高

图神经网路：直接根据抽取的图表征执行图分类，比图核方法更有效。通过映射函数将图和节点映射到向量空间。